Joint effects of back pain and mental health conditions on healthcare utilization and costs in Ontario, Canada: a population-based cohort study
Notice bibliographique
Résumé
ABSTRACT: We assessed the joint effects of back pain and mental health conditions on healthcare utilization and costs in a population-based sample of adults in Ontario. We included Ontario adult respondents of the Canadian Community Health Survey between 2003 and 2012, followed up to 2018 by linking survey data to administrative databases. Joint exposures were self-reported back pain and mental health conditions (fair/poor mental health, mood, and anxiety disorder). We built negative binomial, modified Poisson and linear (log-transformed) models to assess joint effects (effects of 2 exposures in combination) of comorbid back pain and mental health condition on healthcare utilization, opioid prescription, and costs. The models were adjusted for sociodemographic, health-related, and behavioural factors. We evaluated positive additive and multiplicative interaction (synergism) between back pain and mental health conditions with relative excess risk due to interaction (RERI) and ratio of rate ratios (RRs). The cohort (n = 147,486) had a mean age of 46 years (SD = 17), and 51% were female. We found positive additive and multiplicative interaction between back pain and fair/poor mental health (RERI = 0.40; ratio of RR = 1.12) and mood disorder (RERI = 0.41; ratio of RR = 1.04) but not anxiety for back pain-specific utilization. For opioid prescription, we found positive additive and multiplicative interaction between back pain and fair/poor mental health (RERI = 2.71; ratio of risk ratio = 3.20) and anxiety (RERI = 1.60; ratio of risk ratio = 1.80) and positive additive interaction with mood disorder (RERI = 0.74). There was no evidence of synergism for all-cause utilization or costs. Combined effects of back pain and mental health conditions on back pain-specific utilization or opioid prescription were greater than expected, with evidence of synergism. Health services targeting back pain and mental health conditions together may provide greater improvements in outcomes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».